Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1624

[Evgeny Dyuka]

Kesha Root:

Hmm, "0,5-0,7 segundos de cálculo" es demasiado para MLP, ¿quizás se enseña y luego se calcula, en pequeños conjuntos de datos con una ventana deslizante?

Tomémoslo en orden:

1 ¿Cuáles son los datos brutos (ticker(s), marco temporal)?

2 ¿Cuál es el tamaño del conjunto de datos de entrenamiento (1k,10k,100k...)

3 Qué tipo de características

4 Cuáles son los objetivos

5 ¿Qué tipo de red?

es suficiente para empezar...

1. velas + indicadores
2. 200-300к
3. se trata de conocimientos técnicos, no de compartirlos
4. clasificación binaria - arriba/abajo
5. sequental en keras

[Кеша Рутов]

Evgeny Dyuka:
1. velas + indicadores
2. 200-300к
3. este conocimiento - no lo comparto
4. clasificación binaria - arriba / abajo
5.

¿Cuántas funciones?

secuencial - no el tipo de malla sino la forma en que se monta en keras, la estructura de la malla está bien, por ejemplo, MLP (en keras sólo capas Dence) o una mezcla de algún tipo, mejor el código de la malla aquí

[Vladimir Perervenko]

Kesha Rutov:

¿Cuántas funciones?

sequental no es el tipo de malla sino la forma de montarla en keras, la estructura de la malla es tierna, por ejemplo MLP(en keras solo capas Dence) o una mezcla de algún tipo, mejor el código de la malla aquí

Keras tiene todas las capas que hay en tensorflow/.

[Evgeny Dyuka]

Kesha Rutov:

¿Cuántas funciones?

La mejor forma de montar una malla en keras no es el tipo de malla, sino la estructura de la misma, por ejemplo MLP (en keras solo capas de Dence) o una mezcla de ellas, mejor codificar la malla aquí

def make_model(arr_size):
  sgd = SGD(lr=0.01, decay=1 e-6, momentum=0.9, nesterov=True)

  res = 2 # количество ответов
  act = "softmax"
  #act = "sigmoid"
  #opt = sgd
  opt = 'adam'

  model = Sequential()

  model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
  model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.1*k), activation='relu'))
  #model.add(Dropout(dropout))

  model.add(Dense(res, activation=act))

  if res==1:
    ls="binary_crossentropy"
  else:
    ls="categorical_crossentropy"
  model.compile(loss=ls, optimizer=opt, metrics=['accuracy'])
  return model

[Кеша Рутов]

Vladimir Perervenko:

keras tiene todas las capas que tiene tensorflow/

Lo sé.

Dije que MLP es sólo capas densas en keras

[Кеша Рутов]

Evgeny Dyuka:

código

BIEN. Así que MLP.

arr_size-res debe ser grande?

[Evgeny Dyuka]

Kesha Rutov:

De acuerdo. Así que MLP.

arr_size-res debe ser grande?

arr_size es el número de fichas en la entrada, el código está escrito torcido, lo copié tal cual, fue escrito por mí mismo

[Кеша Рутов]

Evgeny Dyuka:
arr_size es el número de fichas en la entrada, el código está escrito torcido, copiado tal cual, fue escrito por mí mismo

Te he preguntado cuántas características y me has ignorado.

Propongo un experimento, tomar la serie de Eurobucks, dividirla 70\30%, entrenar el primer trozo, generar el indicador MO en el segundo y publicarlo aquí junto con la serie de prueba

[Evgeny Dyuka]

Kesha Rutov:

Te pregunté cuántas características y me ignoraste.

Propongo un experimento, tomar la serie de Eurobucks, dividirla 70\30%, entrenar el primer trozo, generar el indicador MO en el segundo y publicarlo aquí junto con la serie de prueba

Yo respondía: 250-300 fichas

[Rorschach]

Y.I. Zhuravlev. Métodos matemáticos de previsión